数值模拟在风电场设计中的应用研究

2017-11-06丛明

风能 2017年9期

文 | 丛明

数值模拟在风电场设计中的应用研究

文 | 丛明

风能资源是一种清洁的可再生能源，开展风能资源利用对促进社会经济可持续发展具有重要意义。为弄清楚某地区风能资源有没有利用价值，需要对该地区风能资源的储量进行科学的评估。风能资源状况的分析研究及风能资源的评估是风电机组选型、布置和发电量计算的基础，评估结果准确与否是风电场投资成败的关键，其结论的精度和可靠程度受风能资源数据质量及风能资源评估方法选取的影响很大。

目前，气象数值模型已经越来越广泛地应用到风能资源评估中，如WRF（Weather Research Forecast）、MM5、WEST（Wind Energy Simulation Toolkits）等，但主要是针对区域风能资源的整体评价。已有研究表明数值模拟可以较准确地模拟区域风能资源的分布趋势，发现气象站观测资料统计分析无法找到的风能资源；很多学者在不同地区利用数值模拟开展了风能资源评估方法的研究；另外，风电开发商和主要厂家也以数值模拟为基础开发了诸如格林威治、Free MESO等系统，以指导宏观选址和资源储备。

数值模拟技术不仅在前期规划中发挥重要作用，在风电场设计阶段也非常关键。在项目开发过程中补齐和延长数据序列最常用的方法是进行测量关联预测。风电场测风数据的测量关联预测（Measure Correlate Predict，MCP）是反映风电场风能长期平均水平的主要技术手段，《风电场风能资源评估方法》（GB/T 18710-2002）将MCP称为数据订正，并规定了长期参考数据必须满足的条件。然而，实际工程中往往因为长期数据质量差、无法满足技术指标要求，而影响MCP分析结果。因此，很多学者采用了NCEP、MERRA等再分析数据研究如何补齐和延长风能资源序列。

本文以陕西定边某项目为依托，讨论利用数值模拟技术解决数据缺测、序列长度不够等问题，同时采用测风塔实测数据进行检验，讨论更有效的数据插补和代表年评估方法。

测风数据及模式介绍

一、测风情况介绍

本文依托的项目位于陕西省定边县，项目附近有三基测风塔（T01#、T02#和T03#），相对位置关系如图1所示，基本配置情况见表1。三基塔之间最远距离约24公里，最近距离约13公里，测风高度均为80米高度，同期测风数据自2010年7月至2011年9月。

二、数值模式介绍

图1 三基测风塔的距离及相对位置关系示意

表1 三基测风塔风速及配置情况

本文中采用的中尺度模式为天气预报模式WRF，是由美国许多研究部门及大学的科学家共同参与开发研究的新一代中尺度预报模式和同化系统，为完全可压缩以及非静力模式，采用Fortran90语言编写，水平方向采用Arakawa-C网格点，垂直方向则采用地形跟随质量坐标。

模拟实验设计中采用三重嵌套，从最外层到最内层的水平分辨率分别为18公里、6公里和2公里；其中，微物理方案选择WSM6；边界层方案选择k闭合的YSU方案；积云对流参数化方案选择BMJ方案；长波和短波辐射方案分别选择RRTM和Dudhia方案，垂直分辨率设为44层。

数值模拟试验的结果可以提供三基测风塔相同位置处的80米高度自2010年7月1日－2011年9月30日（与实测同期）的逐10分钟风速序列。

测风数据插补及订正技术

在风电场设计过程中经常遇到风电场区内不仅单个测风塔的测风数据完整率低或者不合理，而且多台测风塔也存在着同期数据缺测或不合理等情况，而距离场区内最近的气象站所提供的气象数据往往与测风塔的数据相关性较差，不宜进行插补订正。

通过三基测风塔风速的相互推导和实测数据来检验模拟数据对测风塔插补的可靠性和合理性。假设T01#测风时间仅为半年（2010年7月1日－2010年12月31日），利用同期的T01#位置处的模拟结果进行数据插补和平均风速推算。同时，利用T02#和T03#在2010年7月1日－2010年12月31日的数据对T01#自2011年1月－2011年9月的数据进行插补和平均风速推算，将结果与实际风速对比。三基测风塔各自进行相同模式的试验。

在通常的风能资源评估中，数据插补和订正的方法主要有两种，按16个风向象限分别进行相关性分析及风速订正，称之为16扇区法；也有不分风向象限直接进行相关性分析及风速订正，这种方法称为全范围法。经过对比，在参考序列与待插补序列同期相关性较高的情况下，16扇区法与全范围法的结果比较接近，本文采用全范围法进行数据订正。

测风塔T01#与T02#、T03#同期风速序列的相关系数分别为0.96和0.92，T02#与T03#的相关系数为0.93，三基测风塔的模拟风速序列与同期实测风速的相关系数分别为0.89、0.88和0.86，上述所有序列之间的相关关系全部超过了99.9%的信度检验，全部存在显著正相关关系。

图2 模拟区域及模式三重嵌套范围

表2 基于T01#的不同推算方式的结果比较

表3 基于T02#的不同推算方式的结果比较

表4 基于T03#的不同推算方式的结果比较

在风速的修正结果中，T01#与T02#相互推算的风速最为接近，平均风速差为0.06m/s，相对误差均低于1%；T01#和T03#相互推算的风速平均差值为0.22m/s，相对误差分别是4%和-2.8%；T02#和T03#相互推算的结果位于前两组之间，平均风速差值约为0.14m/s，相对误差都在2.5%以下；模拟结果对三基测风塔风速推算所得的风速差值分别是0.16m/s、0.07m/s和-0.21m/s，相对误差最大为-3.7%，最小仅为1.1%。

三组试验的结果表明，中尺度WRF模式导出的数据与测风塔相关性很好，修正后的风速差值与误差均在可接受范围之内，在风电场单个测风塔数据完整率低或不合理，或者场区内有多个测风塔但是同期数据缺测的情况下，利用数值模拟数据对测风数据进行插补和订正是合理且可靠的。

风速的代表年修正方法

在风能资源评估中，当地气象站具备以下条件才可将风电场短期数据订正为长期数据：同期测风结果的相关性较好、具有30年以上规范的测风记录、与风电场具有相似的地形条件以及距风电场比较近。由于风电场场址一般距城镇较远，而气象站大多数位于城镇近郊，两者之间的地理位置距离较远，地表环境也有一定程度的差别，导致气象站数据和风电场内测风数据的相关性受到削弱。所以，当前国内很多设计院主要采用基于再分析数据的方法评估项目代表年情况。

本文以美国国家环境预报中心和大气科学研究中心的NCEP/NCAR再分析数据（水平分辨率为2.5×2.5）、欧洲中期天气预报中心的ECMWF再分析数据（水平分辨率为0.125×0.125）、中尺度WRF模式输出结果三种数据为例，比较和讨论风电场代表年风速的订正方法。

三种数据与测风塔实测数据的相关关系中（图3、图4、图5），NCEP/NCAR数据相关性最差，相关系数不足0.7；数值模拟结果相关性最好，相关系数接近0.97；EC数据位于二者之间，相关系数约为0.92。结果表明，利用NCEP/NCAR再分析数据判断风电场代表年的可靠性较低，利用EC数据评估代表年的方法是可行的，但利用中尺度WRF模式输出数据进行代表年订正的方法是最可靠的。使用数值模拟结果对测风塔T01#自1984年至2013年的平均风速进行了订正，得到测风塔30年来的风速变化情况（图6）。